预测年轻乳腺癌患者生存率列线图的建立和验证

目的:构建预测年轻乳腺癌患者生存情况的列线图，以期帮助临床诊疗。方法:收集SEER数据库中5 525例年轻乳腺癌患者的临床信息，通过单因素Log-rank检验和多因素Cox生存分析筛选出独立预后因素,用于构建预测患者3、5年总生存率(overall survival,OS)和癌症特异性生存率（cancer special survival,CSS)的列线图，将我院就诊的147例年轻乳腺癌患者作为验证集进行外部验证。结果:单因素和多因素分析结果显示，种族、病理类型、组织学分级、T分期、N分期、M分期、ER状态、HER-2状态、手术方式是与患者OS和CSS相关的独立危险因素，将这些因素纳入并建立预测患者OS和CSS的列线图模型。内部和外部验证结果显示模型具有良好的预测性能。基于建立的OS和CSS列线图模型对患者进行了风险分层，能够准确地将年轻乳腺癌患者分成预后有显著差异的三个风险亚组。结论:本研究构建的预测模型能较为准确的预测年轻乳腺癌患者的预后情况，为临床的诊疗提供科学依据。     

前列腺癌早期诊断的研究进展北大核心

前列腺癌(prostate cancer, PCa)是中老年男性常见恶性肿瘤之一,目前尚缺乏有效的晚期癌症治疗方法,因此早期诊断对于降低PCa死亡率至关重要。近年来,较多研究开发出多种新型诊断方法以改善对PCa诊断的准确性,同时避免过度诊疗,但其有效性及实用性尚需进一步验证。本文对目前新型生物标志物、联合成像技术及风险预测模型等的早期诊断技术进行总结,以期为临床研究提供指导作用。     

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。     

实体肿瘤患者住院化疗期间侵袭性真菌感染危险因素与评分模型的建立

目的 探讨实体肿瘤患者住院化疗期间侵袭性真菌感染(IFI)危险因素，并建立预测模型及分析其预测效能。方法 选择绍兴市柯桥区中医医院肿瘤内科2014年1月—2018年1月收治的实体肿瘤患者301例为模型组，选择2018年1月—2021年1月收治的实体肿瘤患者285例为验证组。通过电子病历收集其临床资料，并以此建立实体肿瘤患者IFI预测模型，采用受试者工作特征曲线(ROC)分析模型对模型组及对照组IFI的诊断价值。结果 单因素分析结果显示，住院时间、合并糖尿病、真菌感染史、预防性抗真菌用药、长期糖皮质激素应用与模型组实体肿瘤患者IFI发生有关(P<0.05);多因素Logistic回归分析结果显示，住院时间>14 d、合并糖尿病、有真菌感染史、无预防性抗真菌用药、长期糖皮质激素应用为实体肿瘤患者发生IFI的独立危险因素(P<0.05);ROC分析结果显示，本研究建立预测模型对模型组及验证组IFI诊断曲线下面积分别为0.931、0.907, SE分别为0.026、0.031,95%CI分别为0.881～0.982,0.846～0.967,均具有统计学意义(P<0.001);Hosmer-Lemeshow拟合优度检验结果显示本研究建立模型在观测值与实际值之间差异无统计学意义(Hosmer-lemeshowχ²=2.153,P=0.565),提示该模型对医院实体肿瘤患者IFI发生有良好的预测效能。结论 基于临床资料建立的实体肿瘤预测模型对于患者IFI具有良好的预测效能，可用于临床中IFI的预防、管理及治疗参考。     

川崎病静脉注射丙种球蛋白无反应预测模型研究现状

川崎病(Kawasaki disease，KD)是一种急性自身免疫性系统性血管炎，是发达国家儿童获得性心脏病的主要病因。KD最严重的后果是冠状动脉病变(coronary artery lesions，CALs)，与KD的预后相关。临床研究证实静脉注射丙种球蛋白(IVIG)耐药是CALs的独立危险因素。近年来，一系列的预测模型已被开发来评估IVIG耐药的风险。然而，目前基于KD儿童人口学特征、临床表现、实验室检查及遗传特性的IVIG耐药性预测评分系统在不同民族和同一民族不同地区的人群中存在显著差异，尚未建立适用普遍人群的预测模型。     

ICU患者发生产ESBLs革兰阴性杆菌 感染的危险因素分析及预测模型的建立

[摘要]　目的　探讨ICU患者发生产超广谱β-内酰胺酶（extended spectrum beta-lactamases, ESBLs）革兰阴性杆菌感染的危险因素，并构建相关预测模型。方法　选取2017年5月—2021年4月我院ICU发生大肠埃希菌或肺炎克雷伯菌感染的189例患者作为研究对象，收集患者的临床资料，使用单因素分析、LASSO回归和多因素Logistic回归分析ICU患者30 d内发生产ESBLs革兰阴性杆菌感染的危险因素，并据此建立列线图预测模型。结果　急性生理与慢性健康评分≥16分、留置尿管时长≥7 d、抑酸剂使用时长≥3 d、第三代头孢菌素使用时长≥3 d、抗菌药物联用时长≥3 d和ICU住院时间≥15 d是ICU患者30 d内发生产ESBLs革兰阴性杆菌感染的危险因素（P均＜0.05）。依此建立预测ICU患者30 d内发生产ESBLs革兰阴性杆菌感染的列线图风险模型，模型验证结果显示C-index为0.795，校正曲线趋近于理想曲线，AUC为0.807（95%CI：0.775～0.839），在2%～81%预测范围内，列线图净获益。结论　ICU患者30 d内发生产ESBLs革兰阴性杆菌感染的危险因素包括APACHEⅡ评分≥16分、留置尿管时长≥7 d、抑酸剂使用时长≥3 d、第三代头孢菌素使用时长≥3 d、抗菌药物联用时长≥3 d和ICU住院时间≥15 d，据此构建的列线图模型能有效预测ICU患者30 d内发生产ESBLs革兰阴性杆菌感染的风险概率，具有一定的临床价值。     

应用放射组学和剂量学特征预测食管癌放射治疗后的两年生存情况

  目的  使用放射组学与剂量学特征参数，建立机器学习预测模型，预测食管癌患者放射治疗后两年的生存情况。  方法  回顾性分析2013年1月至2017年12月在天津医科大学肿瘤医院接受放射治疗的食管癌患者共579例。从食管癌患者的放射治疗计划中提取GTV的放射组学和剂量学的特征，使用最大相关最小冗余与人工方法对特征参数进行筛选，分别选取14项放射组学和14项剂量学特征，并将特征变量进行标准化归一至[0, 1]范围。建立支持向量机、逻辑回归和随机森林等机器学习模型，先使用14项放射组学特征，再使用28项放射组学和剂量学混合特征参数进行训练和测试，来预测食管癌放射治疗患者的两年生存情况。  结果  仅使用放射组学特征预测放射治疗后两年生存情况时，支持向量机、逻辑回归和随机森林模型的准确率分别为84.98%、85.92%和84.51%。使用放射组学和剂量学的混合特征参数进行预测时，支持向量机、逻辑回归和随机森林模型的准确率分别为86.32%、83.02%和90.01%。在放射组学特征参数基础上，增加剂量学特征，支持向量机和随机森林模型的预测准确性得到有效提高。  结论  针对支持向量机和随机森林模型，使用放射组学和放射治疗剂量学特征参数放射治疗，可有效提高对食管癌患者放射治疗后两年生存情况预测评估的准确性。      

CBCT影像组学联合构建Nomogram模型预测食管癌放疗患者放射性肺炎

目的 通过对放疗疗程中不同时段CBCT图像的影像组学分析,寻找早期定量预测食管癌放疗放射性肺炎(RP)的参数,结合临床特征和肺剂量体积参数建立联合Nomogram模型并探讨这一模型对食管癌RP的预测价值。方法 回顾分析2017—2019年间临床资料、剂量学参数、CBCT图像资料完整的 96例胸中段食管鳞癌调强放疗患者资料,每例患者均分别获取放疗期间3个不同时段的肺CBCT图像。全组病例随机分成训练集(67例)和验证集(29例),以CBCT上双肺实质作为感兴趣区,运用3D-Slicer软件进行图像分割和特征提取,经LASSO-Logistics回归分析方法进行特征参数筛选并构建影像组学标签(Rad-score)。从3个不同时段建立的RP预测模型中选择最优模型联合经回归分析获得的最佳临床及剂量学参数,建立联合Nomogram模型,并进行受试者工作特征曲线分析,基于曲线下的面积(AUC)验证其诊断效能。结果 第一时段的影像组学预测模型优于其他两个时段,在训练集中的AUC值为0.700(95%CI为 0.568~0.832),敏感性和特异性分别为61.5%、75.0%;在验证集中的AUC值为0.765(95%CI为 0.588~0.941),敏感性和特异性分别为84.6%、64.7%。影像组学联合临床及剂量学构建的Nomogram模型在训练集中的AUC值为0.836(95%CI为 0.700~0.918),敏感性和特异性分别为96.0%、54.8%;在验证集中的AUC值为0.905(95%CI为 0.799~1.000),敏感性和特异性分别为92.9%、73.3%。联合Nomogram模型诊断效能最佳。结论 基于放疗早期肺CBCT影像组学特征构建的模型,对于食管癌RP具有一定的预测效能,Rad-score联合 肺V5Gy、肺 Dmean、肿瘤分期建立的Nomogram模型具有更好的预测准确性,可作为一种定量预测模型用于RP的预测。     

分化型甲状腺癌患者术后左甲状腺素最佳初始剂量预测模型探讨

目的:构建分化型甲状腺癌(DTC)患者术后左甲状腺素(L-T4)初始剂量的预测模型。方法:选取南京鼓楼医院甲状腺乳腺外科100例DTC术后患者,收集患者性别、年龄、身高、体质量、体质量指数(BMI)等基础信息和出院后定期的随访信息,记录患者甲状腺功能检查相关数据及每次L-T4的调整剂量,采用单因素方差分析和t检验分析与L-T4初始剂量有显著相关性的预测因子,采用线性回归分析建立L-T4初始剂量的预测模型,并进行前瞻性试验验证。结果:单因素方差分析得出DTC术后患者L-T4初始剂量与患者年龄(P=0.01,F=3.993)、体质量(P<0.001,F=6.910)和BMI(P<0.001,F=7.698)均有显著的相关性,线性回归分析得出L-T4初始剂量预测模型为L-T4(μg/kg)=2.971-0.033×BMI-0.005×年龄。按经验性给予DTC术后患者L-T4,首次随访患者的甲状腺功能达标比例仅为16%(16/100);验证试验中按预测模型计算的初始剂量给予L-T4,首次随访患者的达标比例可达63.7%(44/69)。结论:建立的DTC患者术后L-T4初始剂量的预测模型具有一定的实用性。     

一种预测子宫内膜病变患者内膜病理类型的临床模型＊

目的 开发并评估一种用于预测子宫内膜病变患者内膜病理类型的临床模型；方法 选取2019年11月至2021年11月因妇科B超发现子宫内膜病变并于山东中医药大学附属医院行宫腔镜下内膜活检的患者，结合其病史与最小绝对收缩和选择算子法（Least absolute shrinkage and selection operator，LASSO）筛选影响内膜病变的独立危险因素，列线图（nomogram）函数建立列线图模型，采用ROC曲线下方的面积大小（Area Under Curve， AUC）、C指数（C-index）、拟合优度（Hosmer-Lemeshow）检验、自举法（bootstrap）评估及验证模型，依据列线图对纳入患者进行风险赋分，绘制ROC曲线获取风险评分的截断值，从而划分高低风险的人群；结果 阴道流血、绝经、无流产史、并发高血压、B超内膜厚度增厚、内膜回声不正常，中医证型为虚实夹杂证是发生子宫内膜癌及癌前病变的独立危险因素，评估模型所得AUC值与C-index均>0.9，Hosmer-Lemeshow检验显示P>0.05，bootstrap内部验证法所得C-index亦高于0.9，均说明模型准确度、区分度及可信度良好，当患者的风险评分总和≥177分时，属于高风险人群；结论 本模型可以预测B超提示子宫内膜病变患者的内膜病理类型为癌前或恶变型的概率并识别高风险人群。